低速无人车在货物运输、园区观光等方面有着广阔的应用前景。windows下进行的低速无人车开发会造成各个模块之间的高度耦合,从而大大降低系统鲁棒性,也给错误的排查带来了很高的时间成本。针对这些问题,本文基于ROS进行低速无人车环境感知与车辆控制算法的研究并搭建硬件平台,最终完成了校园环境下既定路线的低速无人驾驶。论文完成了基于ROS的无人车整体方案设计,在基于低速电动车改装的无人车平台上设计了车辆感知与执行系统方案。在环境感知方面,构建以16线激光雷达为主以单目相机为辅的传感器组合共同检测车辆前方障碍物;在车辆控制方面,设计了D/A转换器控制舵机及油门电压来实现车辆加速与制动的控制,设计了基于CAN总线控制的电动助力转向机构用于完成转向信息的读取及转向的控制,行车中利用差分GPS获取的实时车辆定位与既定路径的偏差控制车辆沿既定路径行驶,利用环境感知获取的障碍物信息进行自动避障。环境感知是无人车自动行驶的基础,为保证较高的感知质量,本文设计了基于图像与点云融合的感知策略。在图像目标识别方面,设计了基于Yolov3的深度学习网络进行模型训练及ROS实现,该节点可以实现汽车、行人、自行车、摩托车四类目标的识别。在点云识别方面,设计了基于射线的地面过滤算法并进行了ROS实现,用于过滤掉地面点云以排除地面点对聚类过程的干扰,然后将过滤后的非地面点进行基于欧几里德的聚类及ROS实现。为实现图像与点云的检测结果融合,先进行了相机的单独标定来获得更高质量的图像,再进行了激光雷达与单目相机的联合标定,从而确定图像与点云的对应关系,最后将图像的分类结果映射到点云的聚类物体上,使得点云聚类框内的点云簇有类别信息,并通过ROS进行聚类目标类别与距离的可视化显示。车辆控制是无人车的关键,车辆控制需要综合考虑环境感知信息及当前车辆定位与既定路线的偏差等因素。为保证在路径跟踪中有较小的横向偏差,本文基于车辆动力学的单轨模型设计了线性时变模型预测控制算法并进行了Car Sim与Simulink联合仿真,验证了算法良好的横向控制性能。本文最后基于ROS结合Qt开发了车载感知与控制系统软件,并在北京交通大学机械实验馆周围道路进行了既定路线的实车实验,在道路上布置障碍物进行无人车平台整体性能测试。实验结果证实本文设计的感知与控制算法能够实现低速无人车按既定路径的自动驾驶。